Makine ve derin öğrenme kullanan organik güneş hücrelerinin sürdürülebilir tasarımı

Dünyası Değişen Bir Gezegen İçin Daha Akıllı Güneş Hücreleri

Güneş panelleri artık çatıların ve tarlaların tanıdık bir görüntüsü, ancak birçok kişi labaratuvarda ortaya çıkan yeni, hafif ve esnek “plastik” güneş hücrelerinin varlığından haberdar değil. Bu makale, araştırmacıların bu organik güneş hücrelerini daha fazla güneş ışığını elektriğe çevirecek, daha az malzeme israf edecek ve küresel iklim ile sürdürülebilirlik hedeflerini daha iyi destekleyecek şekilde tasarlamak için bilgisayar simülasyonlarını ve yapay zekayı nasıl kullandıklarını inceliyor.

Bu Güneş Hücrelerini Farklı Kılan Nedir

Geleneksel güneş panelleri genellikle sert silisyum levhalardan yapılır. Organik güneş hücreleri ise ince karbon bazlı katmanlardan oluşur ve esnek yüzeylere basılabilir. Hafif, renkli ve potansiyel olarak daha ucuz üretilebilirler. Dezavantajı, Güneş enerjisinin ne kadarını kullanılabilir elektriğe dönüştürdüklerini gösteren verimlerinin tarihsel olarak silisyuma göre geride kalmasıdır. Yeni organik malzemeler sayesinde laboratuvar cihazları şimdiden yüzde 18’in üzerinde verimlere ulaşmıştır. Daha da ilerlemek için bilim insanları, özellikle elektron iletim katmanı, delik iletim katmanı ve aradaki ışık emici aktif katman olmak üzere elektrik yüklerini taşıyan iç katman yığınının dikkatle ayarlanması gerektiğini biliyorlar.

Deneme-yanılma Yerine Sanal Deneyler Kullanmak

Sınırsız sayıda test hücresi üretmek yerine yazarlar, “sanal deneyler” yürütmek için SCAPS‑1D adlı ayrıntılı bir bilgisayar programı kullanıyor. Şeffaf indiyum kalay oksit bir tarafta ve alüminyum diğer tarafta olmak üzere, aktif bir karışım olan PBDB‑T:IT‑M’yi bir delik iletim katmanı (PEDOT:PSS) ve bir elektron iletim katmanı (PFN‑Br) arasında sıkıştıran belirli bir cihaz yapısına odaklanıyorlar. Önce simülatörün yayımlanmış laboratuvar sonuçlarıyla uyumlu olup olmadığını kontrol ediyor ve gerilim, akım ve toplam verim gibi temel ölçümleri çok yakın şekilde yeniden ürettiğini görüyorlar. Bu, herhangi bir malzeme karıştırılıp temiz odada kaplanmadan çok önce bilgisayar üzerinde yeni tasarımları keşfetme konusunda onlara güven veriyor.

Katman Yığındaki En Uygun Noktayı Bulmak

Sanal cihaz doğrulandıktan sonra ekip, her bir katmanın malzemelerini ve kalınlıklarını sistematik olarak ayarlayıp hangi kombinasyonun en iyi sonucu verdiğini inceliyor. Birkaç elektron iletim adayı arasında PFN‑Br en iyi performansı gösteriyor; bunun başlıca nedeni iç enerji seviyelerinin aktif katmanla iyi hizalanması ve elektronların metal kontağa düzgün hareket etmesine yardımcı olması. PFN‑Br kalınlığını 5 ila 30 nanometre arasında değiştirdiklerinde (nanometre metrenin milyarda biri), çok ince katmanların — yaklaşık 5–10 nanometre civarının — en yüksek verimi verdiğini görüyorlar. Daha kalın katmanlar ek direnç getirerek daha fazla enerji kaybına neden oluyor. Aktif katmanın kendisi için daha kalın yapmak daha fazla ışık yakalamasını sağlasa da, yüklerin yeniden birleşmeden önce kaçmasını zorlaştırıyor. Simülasyonlar, ışık emilimi ile yük taşınımının iyi dengelendiği yaklaşık 300 nanometreye yakın bir ideal kalınlık gösteriyor.

Yapay Zekânın En İyi Tasarımları Öğrenmesine İzin Vermek

Çok sayıda ayrıntılı simülasyonu çalıştırmak yine de zaman alıyor, bu yüzden araştırmacılar ikinci bir araç olarak yapay zekâyı ekliyor. İki iletim katmanının ve aktif katmanın farklı kalınlık seçimleriyle 300 simüle edilmiş güneş hücresinden oluşan bir veri seti oluşturuyorlar. Ardından iki tür yapay zekâ modeli — konvolüsyonel sinir ağları (CNN) ve destek vektör regresyonu (SVR) — eğiterek temel sonuçları tahmin etmelerini sağlıyorlar: toplam verim ve açık devre gerilimi. Eğitildikten sonra CNN, yeni tasarımlar için tam fiziksel simülasyonu yeniden çalıştırmadan bu performans sayılarını anında tahmin edebiliyor. Testlerde CNN, SVR’den çok daha küçük hatalarla verimi tahmin ederek, kalınlıktaki küçük değişikliklerin cihaz davranışında yarattığı ince, doğrusal olmayan etkileri yakalıyor.

Daha İyi Güneş Hücrelerini Daha Yeşil Bir Gelecekle Bağlamak

Labaratuvarın ötesinde ekip, sonuçlarını küresel sürdürülebilirlik hedefleriyle ilişkilendiriyor. Simüle edilmiş verimi neredeyse iki katına çıkararak — yaklaşık yüzde 12’den yaklaşık yüzde 19,5’e — optimize edilmiş bir organik güneş hücresi aynı alandan daha fazla enerji üretebilir; bu da gereken malzeme, arazi ve destek donanımını azaltır. Bu durum daha temiz ve daha uygun maliyetli enerjiyi (SDG 7), daha yenilikçi ve verimli endüstrileri (SDG 9), kaynakların daha sorumlu kullanımını (SDG 12) ve iklim değişikliğiyle mücadelede daha güçlü eylemi (SDG 13) destekler. Basitçe söylemek gerekirse, bu çalışma sanal testleri yapay zekâyla birleştirmenin daha akıllı güneş hücrelerini daha hızlı tasarlamaya, israfı azaltmaya ve esnek, yüksek performanslı güneş teknolojilerinin günlük hayata gelişini hızlandırmaya nasıl yardımcı olabileceğini gösteriyor.

Atıf: Mohyeldien, O.M., El-Amary, N.H. & Al Bardawil, A. Sustainable design of organic solar cells utilized machine and deep learning. Sci Rep 16, 3728 (2026). https://doi.org/10.1038/s41598-026-35067-7

Anahtar kelimeler: organik güneş hücreleri, makine öğrenmesi, katman kalınlığı optimizasyonu, fotovoltaik verim, sürdürülebilir enerji